Mistral открыла веса Large 4: 1 трлн параметров MoE, контекст 1M и упор на кодинг-агентов и кибербезопасность
Этап AI SDLC: Код → ХарнессMistral Large 4 (Le Chonk): открытые веса, ~1T/49B активных параметров, контекст 1M, мультимодальность. Coding Agent Index 49,8% — выше DeepSeek V4 Pro и Qwen3.8 Max; 82% на воспроизведении и закрытии уязвимостей. День-0 поддержка vLLM и llama.cpp.
Что произошло
Mistral выложила на Hugging Face веса флагмана Large 4 (прозвище Le Chonk): MoE на ~1 трлн параметров, из которых активно ~49 млрд на токен, контекст 1 млн токенов, мультимодальность (визуальный энкодер Pixtral 1.6B). Лицензия — Mistral Ecosystem Open-Weight License, производная от MIT с ограничениями на предложение модели как сервиса. Выложены официальные FP8- и NVFP4-версии, есть GGUF от Unsloth и команды llama.cpp; день-0 поддержка transformers, vLLM и llama.cpp.
Компания позиционирует модель для кодинг-агентов и кибербезопасности. По данным Mistral, на агрегированном Coding Agent Index — 49,8% (DeepSWE v1.1 — 61,7%, SWE-Atlas-QnA — 59,4%, Terminal-Bench 4 — 28,3%), выше DeepSeek V4 Pro 0813 и Qwen3.8 Max. В безопасности: 82% на воспроизведении и закрытии реальных уязвимостей open-source ПО — по заявлению Mistral, лучший результат в индексе, при этом несколько закрытых моделей на том же тесте около нуля, потому что отказываются от попытки; 93% задач Cybench и 93,3% сопротивление инъекциям на Lakera B3. На общем индексе Artificial Analysis — пятое место среди открытых моделей.
Почему это важно
Для команд, держащих инференс внутри контура, появился открытый кандидат фронтир-класса для агентной работы с кодом — с готовыми квантованиями и поддержкой стандартного стека. Размер говорит сам за себя: 1T/49B — конфигурация на несколько GPU, а не рабочая станция; GGUF существует, но практический запуск — кластер или серьёзный сервер. Второй слой — безопасность: высокий результат на воспроизведении уязвимостей полезен защитникам (закрыть дыру без воспроизведения трудно), а открытые веса позволяют командам самим проверять отказное поведение модели, а не верить описанию провайдера. Отдельно помнить про лицензию: производная от MIT, но с ограничением на MaaS — если планируется свой сервис поверх модели, условия нужно читать до внедрения.
Что с этим делать
- Оценить, есть ли у команды железо под FP8/NVFP4 и сценарий, где локальность данных важнее цены API.
- Security-командам: протестировать модель на воспроизведении и патчинге своих уязвимостей, сравнить с текущими закрытыми инструментами.
- Проверить условия лицензии, если модель будет предлагаться как сервис.